Upload
dohuong
View
219
Download
0
Embed Size (px)
Citation preview
BAB 2
LANDASAN TEORI
2.1 Peramalan
2.1.1 Definisi peramalan
Peramalan adalah metode untuk memperkirakan suatu nilai di masa depan
dengan menggunakan data masa lalu. Peramalan juga dapat diartikan sebagai seni dan
ilmu untuk memperkirakan kejadian pada masa yang akan datang, sedangkan aktivitas
peramalan merupakan suatu fungsi bisnis yang berusaha memperkirakan penjualan dan
penggunaan suatu produk sehingga produk-produk itu dapat dibuat dalam kuantitas yang
tepat (Gaspersz, 2002, hal.71).
Peramalan bukanlah suatu dugaan , karena dugaan hanya mengestimasikan masa
mendatang berdasarkan perkiraan saja sedangkan peramalan menggunakan perhitungan
matematis sebagai bahan pertimbangan (Gross,1982,hal.2). Menurut Webster (1986,p3),
peramalan adalah dugaan yang dibuat secara sederhana tentang apa yang akan terjadi di
masa depan berdasarakan informasi yang tersedia saat ini.
Dengan kata lain , peramalan adalah proses untuk menduga kejadian atau kondisi
di masa mendatang berdasarkan data historis dan pengalaman untuk menemukan
kecenderungan dari pola sistematis yang bertujuan memperkecil resiko kesalahan.
2.1.2 Tujuan peramalan
Dalam dunia usaha sangat penting diperkirakan hal-hal yang terjadi di masa
depan sebagai dasar untuk pengambilan keputusan, terutama dunia usaha itu merupakan
bagian dari kehidupan sosial, di mana segala sesuatu yang terjadi serba tidak pasti, sukar
11
diprediksi dengan tepat. Oleh karena itu perlu dilakukan sebuah peramalan / rencana.
Peramalan yang dibuat selalu diupayakan agar dapat:
a. Meminimumkan pengaruh ketidakpastian terhadap perusahaan
b. Peramalan bertujuan mendapatkan peramalan (forecast) yang bisa
meminimumkan kesalahan meramal (forecast error) yang biasanya diukur
dengan MSE (Mean Squared Error), MAE (Mean Absolute Error), dan
sebagainya (Subagyo, 1986 : 4).
2.1.3 Langkah-Langkah Peramalan
Peramalan yang baik adalah peramalan yang dilakukan dengan mengikuti
langkah-langkah atau prosedur penyusunan yang baik yang akan menentukan kualitas
atau mutu dari hasil peramalan yang disusun. Pada dasarnya ada tiga langkah peramalan
yang penting, yaitu (Assauri, 1984, p5):
1) Menganalisis data yang lalu, tahap ini berguna untuk pola yang terjadi pada masa
lalu.
2) Menentukan metode yang dipergunakan. Metode yang baik adalah metode yang
memberikan hasil ramalan yang tidak jauh berbeda dengan kenyataan yang
terjadi.
3) Memproyeksikan data yang lalu dengan menggunakan metode yang
dipergunakan, dan mempertimbangkan adanya beberapa faktor perubahan
(perubahan kebijakan-kebijakan yang mungkin terjadi, termasuk perubahan
kebijakan pemerintah, perkembangan potensi masyarakat, perkembangan
teknologi dan penemuan-penemuan baru).
12
2.1.4 Jenis-Jenis Metode Peramalan
Peramalan dapat dibedakan atas dua macam, yaitu (Assauri, 1984, p4) :
a. Peramalan Kuantitatif : menggunakan model matematis dengan data masa lalu.
Tujuannya mempelajari apa yang telah terjadi di masa lalu untuk meramalkan
nilai- nilai yang akan datang.
b. Peramalan Kualitatif : menggunakan faktor seperti intuisi, emosi, pengalaman.
Hasil peramalan yang dibuat sangat tergantung pada orang yang membuatnya,
karena ditentukan berdasarkan pemikiran yang bersifat intuisi, judgment atau
pendapat, dan pengetahuan serta pengalaman dari penyusunnya.
Peramalan kuantitatif adalah peramalan yang didasarkan atas data kuantitatif
pada masa lalu. Hasil peramalan yang dibuat sangat tergantung pada metode yang
dipergunakan dalam peramalan tersebut maupun besarnya faktor yang tidak diduga
(outliers) yang mempengaruhi nilai ramalan. Peramalan kuantitatif dapat digunakan bila
terdapat tiga kondisi berikut: tersedianya informasi masa lalu, informasi tersebut dapay
dikuantitatifkan dalam bentik data numerik, dan dapat diasumsikan bahwa beberapa
aspek pola masa lalu akan terus berlanjut di masa mendatang.(Makridakis et al, 1999,
pp19-20).
Peramalan kuantitatif dapat dikelompokkan kedalam dua jenis, yaitu:
1. Peramalan yang didasarkan atas penggunaan analisa pola hubungan antara
variabel yang akan diperkirakan dengan variabel waktu yang disebut deret waktu
(time series). Model deret berskala melakukan pendugaan masa depan
berdasarkan nilai masa lalu dari suatu variabel untuk menemuka pola dalam deret
data historis dan mengeksploitasikan .
13
2. Peramalan yang didasarkan atas penggunaan analisa pola hubungan antara
variabel yang akan diperkirakan dnegan variabel lain yang mempengaruhinya
yang disebut model kausal/ sebab akibat.
Metode peramalan kualitatif tidak memerlukan data yang serupa seperti
peramalan kuantitatif. Input yang dibutuhkan tergantung pada metode tertentu dan
biasanya merupakan hasil dari pemikiran intuitif, pertimbangan , dan pengetahuan yang
telah didapat. Peramalan kualitatif dapat dikelompokkan kedalam dua jenis, yaitu :
1. Metode eksploratoris (seperti Dalphi, kurva-S, analogi, dan penelitian
morfologis) dimulai dari masa lalu dan masa kini sebagai titik awalnya dan
bergerak ke arah masa depan secara heuristik, seringkali dengan melihat semua
kemungkinan yang ada.
2. Metode normatif (seperti matriks keputusan, pohon relevansi, dan analisis
sistem) dimulai dengan menetapkan sasaran dan tujuan yang akan datang,
kemudian bekerja mundur untuk melihat apakah hal ini dapat dicapai,
berdasarkan kendala, sumber daya, dan teknologi yang rersedia.
Menurut Hyndman (2003) peramalan dapat dihitung juga dengan metode theta , tetapi
metode theta lebih kompleks dan memusingkan karena banyaknya unsur aljabar yang
perlu dijabarkan terlebih dahulu.
2.1.5 Beberapa Metode Deret Waktu (Time Series)
2.1.5.1 Moving Average
Moving average merupakan metode yang paling sering digunakan dan paling
standar.
14
Moving average adalah suatu metode peramalan umum dan mudah untuk
menggunakan alat-alat yang tersedia untuk analisis teknis. Moving average
menyediakan metode sederhana untuk pemulusan data masa lalu. Metode ini berguna
untuk peramalan ketika tidak terjadi tren. Jika terdapat tren, gunakan estimasi berbeda
untuk mempertimbangkannya. Hal ini disebut dengan ”bergerak” karena sebagai data
baru yang tersedia, data yang tertua tidak digunakan lagi (Makridakis et all, 1999).
Tujuan utama dari penggunaan rata-rata bergerak adalah untuk menghilangkan
atau mengurangi acakan dalam deret waktu. Teknik rata-rata bergerak dalam deret
waktu terdiri dari pengambilan suatu kumpulan nilai-nilai yang diobservasi,
mendapatkan rata-rata dari nilai ini, dan kemudian menggunakan nilai rata-rata tersebut
sebagai ramalan untukperiode yang akan datang. (Assauri,1984,hal23)
Peramalan dengan teknik moving average melakukan perhitungan terhadap nilai
data yang paling baru sedangkan data yang lama akan dihapus. Nilai rata-rata dihitung
berdasarkan jumlah data, yang yang angka rata-ratanya bergeraknya ditentukan dari
harga 1 sampai N data yang dimiliki.
Moving average dihitung dengan menggunakan rumus sebagai berikut:
= ∑ (2.1)
Di mana t adalah nilai yang paling akhir dan t+1 adalah periode berikutnya,
untuk periode mana suatu ramalan dibuat.
= ramalan untuk periode yang berikut, t+1
Xt,t-1,t-2 = nilai observasi/sebenarnya dari variabel itu pada periode t,t-1,t-2,.....
N = Jumlah observasi yang digunakan dalam menghitung rata-rata bergerak
15
Dalam model moving average dapat dilihat bahwa semua data observasi memiliki bobot
yang sama yang membentuk rata-ratanya. Padahal data observasi terbaru seharusnya
memiliki bobot yang lebih besar dibandingkan dnegan data observasi dimasa lalu. Hal
ini dipandang sebagai kelemahan dalam metode moving average.
2.1.5.2 Exponential Smoothing
Metode exponential smoothing adalah metode yang menunjukkan pembobotan
menurun secara eksponensial terhadap nilai pengamatan yang lebih tua. Terdapat satu
atau lebih parameter penulisan yang ditentukan secara eksplisit, dan hasil pilhan ini
menetukan bobot yang dikenakan pada nilai observasi. (Makridakis et all, 1999, p78).
Menurut Billah (2006) metode exponential smoothing terdiri dari simple
exponential smoothing, trend, dan musiman.
Beberapa keuntungan dari penggunaan metode exponential smoothing adalah
banyak mengurangi masalah penyimpanan data., sehingga tidak perlu lagi menyimpan
semua data historis atau sebagian. Hanya pengamatan terakhir, ramalan terakhir, dan
suatu nilai konstanta yang harus disimpan. (Makridakis et all, 1999, p103-104).
Metode ini dipergunakan secara luas didalam peramalan karena sederhana,
efisien didalam perhitungan ramalan, mudah disesuaikan dengan perubahan data, dam
ketelitian metode ini cukup besar
Metode ini digunakan untuk melakukan pemulusan terhadap suatu deret berkala
dengan membuat rata-rata tertimbang dari sederetan data yang lalu. Metode ini sangat
efektif untuk peramalan jangka pendek dan tidak membutuhkan banyak data.
Metode exponential smoothing cocok untuk data yang bergerak acak keatas dan
kebawah secara terus menerus berarti tidak ada tren maupun musiman.
1 ′ (2.2)
16
Di mana 0< <1 adalah faktor pemulusan. Semakin kecil nilai alpha, semakin
mulus suatu data. Dengan nilai Y’(1) untuk inisial nilai ramalan didekati dengan nilai
rata-rata ( ) atau
′ = ′ + α - ′ ) (2.3)
2.1.5.3 Metode Winters
Apabila suatu data time series diketahui adanya pola musiman disamping pola
data trend, maka metode winters merupakan satu-satunya metode pendekatan pemulusan
yang banyak digunakan.
Menurut Makridakis, Wheelright, dan McGee (p122-127,1999), metode winters
merupakan metode yang dapat menangani faktor musiman dan tren secara langsung.
Metode ini didasarkan atas tiga persamaan pemulusan dengan tiga paramater, yaitu satu
untuk unsur stasioner, satu untuk trend, dan satu untuk musiman.
Keuntungan dari metode winters adalah memiliki kemampuan yang sangat baik
dalam meramalkan data yang memiliki pola trend dan musiman. Metode winters
digunakan untuk meramalkan suatu hasil yang disesuaikan dengan variasi trend dan
musiman yang tidak dapat diatasi oleh metode moving average dan metode exponential
smoothing. Metode winters menyediakan 3 parameter untuk memperhalus nilai base,
trend , dan musiman.
Persamaan dasar untuk metode winters adalah sebagai berikut:
1.Pemulusan Keseluruhan
(2.4)
)( )1( 11 −−
−
+−+= ttLt
tt bS
IX
S αα
17
2. Pemulusan trend
(2.5)
3. Pemulusan musiman
(2.6)
4. Ramalan
(2.7)
Di mana L adalah panjang musiman (misal jumlah bulan atau kuartal dalam
suatu tahun), b adalah komponen trend, I adalah faktor penyesuaian musiman, dan Ft+m
adalah ramalan untuk m periode ke muka.
Persamaan 2.6 dapat dibandingkan dengan indeks musiman yang merupakan
rasio antara nilai sekarang dari deret data,Xt, dibagi dengan nilai pemulusan tunggal
yang sekarang untuk deret data tersebut, St . Jika Xt lebih besar daripada St, maka rasio
tersebut akan lebih besar daripada 1, sedangkan jika Xt lebih kecil daripada St, maka
rasio tersebut akan lebih kecil daripada 1. Untuk memahami metode ini kita perlu
menyadari bahwa St merupakan nilai pemulusan (rata-rata) dari deret data yang tidak
termasuk unsur musiman. Juga perlu diingat bahwa Xt mencakup adanya kerandoman
dalam deret data. Untuk menghaluskan keacakan ini, persamaan 2.6 membobot faktor
musiman yang dihitung paling akhir dengan β dan angka musiman paling akhir pada
musiman yang sama dengan (1- β ). (Faktor musiman sebelum ini dihitung pada periode
t-L, karena L adalah panjang musiman).
11 )1()( −− −+−= tttt bSSb γγ
Ltt
tt I
SX
I −−+= )1( ββ
mLtttmt ImbSF +−+ += )(
18
Persamaan 2.5 tepat sama dengan persamaan dari Holt untuk pemulusan trend,
yaitu
(2.8)
Persamaan 2.4 berbeda sedikit dari persamaan
(2.9)
dari Holt di mana unsur pertamanya dibagi dengan angka musiman It-L. Hal ini
dilakukan untuk menghilangkan musiman (mengeliminasi fluktuasi musiman dari) Xt.
Penyesuian ini dapat digambarkan dengan memperhatikan kasus di mana It-L
lebih besar daripada 1, yang terjadi pada saat nilai periode t-L lebih besar daripada rata-
rata dalam musimannya. Membagi Xt dengan bilangan yang lebih besar daripada 1 ini
menghasilkan suatu nilai yang lebih kecil daripada nilai semula. Persentase penurunan
ini sama dengan banyaknya unsur musiman pada periode t-L yang lebih besar daripada
nilai rata-rata. Penyesuaian yang sebaliknya terjadi bilamana angka musiman lebih kecil
daripada 1. Nilai It-L digunakan dalam perhitungan ini karena It tidak dapat dihitung
sebelum St diketahui dari persamaan pemulusan keseluruhan.
Metode winters juga memiliki kelemahan , kelemahan utama dari metode winters yang
menghambat pemakaiannya secara luas yaitu metode ini membutuhkan tiga parameter
pemulusan (alpha, beta, gamma) yang dapat bernilai antara 0 dan 1, sehingga banyak
kombinasi yang harus dicobakan sebelum nilai parameter yang optimal ditentukan.
Metode alternatif yang dapat mengurangi keraguan tentang nilai optimal adalah
menacari nilai taksiran awal yang lebih baik, lalu menetapkan nilai yang kecil untuk
ketiga parameter pemulusan (sekitar 0,1 sampai dengan 0,3). Nilai 0,1 membuat ramalan
bersifat terlalu berhati-hati, sedangkan nilai 0,3 memberikan sistem yang lebih responsif.
11 )1()( −− −+−= tttt bSSb γγ
)( )1( 11 −− +−+= tttt bSXS αα
19
Karena adanya himpunan pilihan nilai yang dipersempit ini, maka metode ini biasanya
dipandang sebagai metode yang lebih mudah digunakan (Makridakis et al.,1999.p137).
Dalam metode ini nilai-nilai alpha, beta, dan gamma untuk meminimumkan
MSE (Mean Squared Error) atau MAPE (ABSOLUTE PERCENTAGE ERROR).
2.1.6 Ukuran Ketepatan Peramalan
Dalam semua situasi peramalan mengandung derajat ketidakpastian. Kita
mengenali fakta ini dengan memasukkan unsur kesalahan (error) dalam perumusan
sebuah peramalan deret waktu. Sumber penyimpangan dalam peramalan bukan hanya
disebabkan oleh unsur error , tetapi ketidakmampuan suatu model peramalan mengenali
unsur yang lain dalam deret data juga mempengaruhi besarnya penyimpangan dalam
peramalan. Jadi besarnya penyimpangan hasil peramalan bisa disebabkan oleh besarnya
fajtor yang tidak diduga (outliers) di mana tidak ada metode peramalan yang mampu
menghasilkan peramalan yang akurat, atau bisa juga disebabkan metode peramalan yang
digunakan tidak dapat memprediksi dengan tepat komponen trend, komponen musiman,
atau komponen siklus yang mungkin terdapat dalam deret data, yang berarti metode
yang digunakan tidak tepat (Bowerman dan O’Connell, p12,1987).
Jika Xi merupakan data aktual untuk periode i dan Fi merupakan ramalan (atau
nilai kecocokan / fitted value) untuk periode yang sama, maka kesalahan didefinisikan
sebagai
ei = Xi-Fi (2.10)
20
Jika terdapat nilai pengamatan dan ramalan untuk n periode waktu, maka akan
terdapat n buah galat dan ukuran statistik standar berikut yang dapat didefinisikan:
(Makridakis et all, 1999)
Nilai Tengah Galat (MEAN ERROR)
(2.11)
Nilai Tengah Galat Absolut (MEAN ABSOLUTE ERROR)
(2.12)
Jumlah Kuadrat Galat (SUM OF SQUARED ERROR)
(2.13)
Nilai Tengah Galat Kuadrat (MEAN SQUARED ERROR)
(2.14)
Deviasi Standar Galat (STANDARD DEVIATION OF ERROR)
(2.15)
Ada pula ukuran-ukuran ketepatan lain yang sering digunakan untuk mengetahui
ketepatan suatu metode peramalan dalam memodelkan data deret waktu , yaitu nilai
MAPE (MEAN PERCENTAGE ERROR), MSD (MEAN SQUARED DEVIATION),
MAD (MEAN ABSOLUTE DEVIATION)
Nilai Tengah Galat Persentase Absolut (MEAN ABSOLUTE PERCENTAGE ERROR)
MAPE merupakan ukuran ketepan relatif yang digunakan untuk mengetahui persentase
penyimpangan hasil peramalan , dengan persamaan sebagai berikut
∑=
=n
iie
nME
1
1
∑=
=n
iie
nMAE
1
1
2
1∑=
=n
IieSSE
2
1
1∑=
=n
Iie
nMSE
)1/(2
1−= ∑
=
neSDEn
Ii
21
(2.16)
Galat Persentase (PERCENTAGE ERROR)
(2.17)
MAD menyatakan penyimpangan ramalan dalam unit yang sama pada data,
dengan merata-ratakan nilai absolut error (penyimpangan) seluruh hasil peramalan. Nilai
absolut berguna untuk menghindari nilai penyimpangan positif dan penyimpangan
negatif saling meniadakan. Persamaannya adalah sebagai berikut :
∑ | ′ | (2.18)
Cara lain untuk menghindari penyimpangan nilai positif dan penyimpangan
negatif saling meniadakan adalah dengan mengkuadratkan nilai kesalahan tersebut.
MSD merupakan ukuran penyimpangan ramalan dengan merata-ratakan kuadrat error
(penyimpangan semua ramalan). Persamaannya adalah sebagai berikut:
Tujuan optimalisasi statistik seringkali adalah untuk memilih suatu model agar
nilai MSD minimal , tetapi ukuran ini mempunyai 2 kelemahan. Pertama ukuran ini
menunjukkan pencocokkan (fitting) suatu model terhadap data historis. Pencocokan
seperti ini tidak selalu mengimplikasikan peramalan yang baik. Suatu model yang
terlalu cocok (over fitting) dengan deret data berarti sama dengan memasukkan unsur
random sebagai bagian proses bangkitan, adalah sama buruknya dengan dengan tidak
berhasil mengenai pola non acak dalam data. Kekurangan kedua dalam MSD sebagai
%100×⎟⎠⎞
⎜⎝⎛ −
=t
ttt
XFXPE
∑=
=n
iiPE
nMAPE
1
1
22
ukuran ketepatan model adalah berhubungan dengan kenyataan bahwa metode berbeda
akan menggunakan prosedur yang berbeda pula dalam fase pencocokan.
Dalam fase peramalan penggunaan MSD dan MAD sebagai suatu ukuran
ketepatan juga dapat menimbulkan masalah. Ukuran ini tidak memudahkan
perbandingan antar deret berskala yang berbeda dan untuk selang waktu yang berlainan,
karena MSD dan MAD merupakan ukuran absolut yang sangat tergantung pada skala
dari data deret waktu. Lagi pula, interpretasi nilai MSD tidak bersifat intuitif, karena
ukuran ini menyangkut pengkuadratan sederetan nilai.
Karena alasan tersebut dalam hubungan dengan keterbatasan MSD dan MAD
sebagai ukuran ketepatan peramalan, maka dipakai ukuran alternatif sebagai sebagai
salah satu indikasi ketepatan dalam peramalan , yaitu MAPE.
Pola data untuk time series dibedakan menjadi pola horison, pola musiman, pola
siklis, dan pola tren.
1. Pola horison terjadi bila data berfluktuasi disekitar nilai rata-rata yang konstan.
Suatu produk yang penjualannya tidak meningkat atau menurun selama waktu
tertentu termasuk jenis ini.
2. Pola musiman terjadi bila data dipengaruhi oleh faktor musiman (misal pada
bulan atau hari-hari tertentu).
3. Pola siklis terjadi bila data dipengaruhi oleh fluktuasi ekonomi jangka panjang
4. Pola trend terjadi bila terdapat kecenderungan kenaikan atau penurunan jangka
panjang dalam data.
23
Gambar 2.1 Pola Data
Model time series secara umum adalah
Yt = f (t,Yt-1, Yt-2,...,Yt-p) (2.19)
Untuk memilih model terbaik pada analisis deret waktu , kriteria pemilihan
model biasanya didasarkan nilai MSE (Mean Square Error), MAPE(Mean Absolute
Percentage Error), MAD(Mean Absolute Deviation), dan MSD(Mean Square
Deviation) yang terkecil.
24
2.2 Penjualan
2.2.1 Pengertian Penjualan
Bagi perusahaan, penjualan merupakan sumber utama pendapatan perusahaan.
Pendapatan yang diperoleh dipergunakan perusahaan untuk membiayai segala
kegiatannya maupun untuk mengembangkan usaha. “Penjualan adalah perencanaan,
pelaksanaan dan pengendalian program-program kontak muka, termasuk pengalokasian,
penarikan, pemilihan, pelatihan dan pemotivasian yang dirancang untuk mencapai tujuan
penjualan perusahaan”.
2.2.2 Tujuan Penjualan
Tujuan utama suatu perusahaan memproduksi suatu barang adalah untuk
memperoleh keuntungan atau laba. Suatu keuntungan atau laba dapat diperoleh melalui
penghasilan dengan melakukan kegiatan penjualan. Faktor perusahaan kondisi pasar
terutama tentang jumlah permintaan model yang diinginkan dan sebagainya, hal tersebut
menjadi penawaran dari setiap produknya yang terjadi kepada para masyarakat atau para
konsumen (Sugiarto, 2000).
2.2.3 Faktor-faktor yang mempengaruhi volume penjualan
Menurut Swastha, Basu, dkk (1990), tinggi rendahnya volume penjualan sangat
tergantung dari penjualan itu sendiri. Seiring dalam kenyataan volume penjualan juga
banyak dipengaruhi oleh beberapa faktor, yaitu antara lain:
a. Faktor Intern
Faktor-faktor ini berasal dari perusahaan yang menyangkut kebijaksanaan yang
diambil perusahaan, meliputi:
25
1) Promosi
Dengan promosi, informasi mengenai produk perusahaan dapat diketahui oleh
konsumen sehingga akan terdorong terjadinya permintaan yang
menyebabkan terjadinya pembelian.
2) Harga
Harga akan berpengaruh terhadap volume penjualan karena konsumen dalam
proses pengambilan keputusan untuk membeli juga mempertimbangkan
harga. Harga yang lebih bersaing tentunya akan lebih menarik minat
konsumen.
3) Distribusi
Apabila saluran distribusinya panjang dan mudah menyebarluas di berbagai
daerah maka konsumen akan mudah mendapatkan produk tersebut.
4) Fasilitas dan Pelayanan yang diberikan
Hal ini meliputi mudah tidaknya produk dijangkau konsumen, pelayanan
penjualan, sistem pembayaran dan kemudahan lainnya.
5) Produk
Produk dengan kualitas yang tinggi akan lebih menarik konsumen dari para
produk yang mutunya rendah. Demikian juga produk yang tidak sesuai
dengan kebutuhan akan kurang disukai.
b. Faktor Ekstern
Faktor ini berasal dari luar perusahaan yang meliputi:
1) Persaingan
26
Persaingan merupakan pengaruh yang cukup besar terhadap volume penjualan.
Dengan adanya persaingan maka pasaran tidak hanya dikuasai oleh seorang
pengusaha.
2) Peraturan Pemerintah
Peraturan pemerintah juga dapat mempengaruhi volume penjualan misalnya
pajak, peraturan, perijinan dan sebagainya.
3) Perubahan Selera Konsumen
Dengan berubahnya selera konsumen, maka konsumen akan beralih pada
produknya yang lain. Dengan demikian permintaan akan suatu jenis produk
tentu akan berkurang dan akan sangat berpengaruh terhadap volume
penjualan produk tersebut.
2.3 UML (Unified Modeling Language)
UML adalah bahasa standar untuk mebuat cetak biru dari piranti lunak. UML
dapat digunakan untuk visualisasi dan menentukan, membangun serta
mendokumentasikan hasil kerja dari sistem yang dirancang untuk piranti lunak (Booch,
Rumbaugh, dan Jacobson, 1998, p13). Artifact dapat berupa model, deskripsi atau
perangkat lunak) dari system perangkat lunak, seperti pada pemodelan bisnis dan system
non perangkat lunak lainnya.
UML tidak hanya digunakan dalam proses pemodelan perangkat lunak, namun
hampir dalam semua bidang yang membutuhkan pemodelan.
Bagian-bagian utama dari UML adalah view, diagram, model element, dan
general mechanism.
a. View
27
View digunakan untuk melihat sistem yang dimodelkan dari beberapa aspek
yang berbeda. View bukan melihat grafik, tapi merupakan suatu abstraksi yang
berisi sejumlah diagram. Beberapa jenis view dalam UML antara lain: use case
view, logical view, component view, concurrency view, dan deployment view.
b. Use case view
Mendeskripsikan fungsionalitas sistem yang seharusnya dilakukan sesuai yang
diinginkan external actors. Aktor yang berinteraksi dengan sistem dapat berupa
user atau sistem lainnya.
View ini digambarkan dalam use case diagram dan kadang-kadang dengan
activity. View ini digunakan terutama untuk pelanggan , perancang (designer),
pengembang (developer), dan penguji sistem (tester).
c. Logical view
Mendeskripsikan bagaimana fungsionalitas dari sistem, struktur statis (class,
object, dan relationship ) dan kolaborasi dinamis yang terjadi
ketika object mengirim pesan ke object lain dalam suatu fungsi tertentu.
View ini digambarkan dalam class diagrams untuk struktur statis dan
dalam state, sequence, collaboration, dan activity diagram untuk model
dinamisnya. View ini digunakan untuk perancang (designer) dan pengembang
(developer).
d. Component view
Mendeskripsikan implementasi dan ketergantungan modul. Komponen yang
merupakan tipe lainnya dari code module diperlihatkan dengan struktur dan
ketergantungannya juga alokasi sumber daya komponen dan informasi
administratif lainnya.
28
View ini digambarkan dalam component view dan digunakan untuk
pengembang (developer).
e. Concurrency view
Membagi sistem ke dalam proses dan prosesor.View ini digambarkan dalam
diagram dinamis (state, sequence, collaboration, dan activity diagram) dan
diagram implementasi (component dan deployment diagram) serta digunakan
untuk pengembang (developer), pengintegrasi (integrator), dan penguji
(tester).
f. Deployment view
Mendeskripsikan fisik dari sistem seperti komputer dan perangkat (nodes) dan
bagaimana hubungannya dengan lainnya.
View ini digambarkan dalam deployment diagramsdan digunakan untuk
pengembang (developer), pengintegrasi (integrator), dan penguji (tester).
g. Diagram
Diagram berbentuk grafik yang menunjukkan simbol elemen model yang
disusun untuk mengilustrasikan bagian atau aspek tertentu dari sistem. Sebuah
diagram merupakan bagian dari suatu view tertentu dan ketika digambarkan
biasanya dialokasikan untuk view tertentu. Adapun jenis diagram antara lain :
1. Use case diagram
2. Class diagram
3. Component diagram
4. Deployment diagram
5. State diagram
6. Sequence Diagram
29
7. Collaboration diagram
8. Activity diagram
Penulis dalam skripsi ini menggunakan use case diagram, sequence diagram,
dan activity diagram.
2.3.1 Use case Diagram
Use case adalah abstraksi dari interaksi antara system dan actor (Booch,
Rumbaugh, dan Jacobson, 1998, p97). Use case bekerja dengan cara mendeskripsikan
tipe interaksi antara user sebuah system dengan sistemnya sendiri melalui sebuah cerita
bagaimana sebuah system dipakai. Use case merupakan konstruksi untuk
mendeskripsikan bagaimana system akan terlihat di mata user. Sedangkan use case
diagram memfasilitasi komunikasi diantara analis dan pengguna serta antara analis dan
client. Use case diagram menjelaskan manfaat suatu sistem jika dilihat menurut
pandangan orang yang berada di luar sistem. Diagram ini menunjukkan fungsionalitas
suatu sistem atau kelas dan bagaimana sistem tersebut berinteraksi dengan dunia luar.
Use case diagram dapat digunakan selama proses analisis untuk menangkap
requirements sistem dan untuk memahami bagaimana sistem seharusnya bekerja.
Selama tahap desain, use case diagram berperan untuk menetapkan perilaku (behavior)
sistem saat diimplementasikan. Dalam sebuah model mungkin terdapat satu atau
beberapa use case diagram. Kebutuhan atau requirements sistem adalah fungsionalitas
apa yang harus disediakan oleh sistem kemudian didokumentasikan pada model use case
yang menggambarkan fungsi sistem yang diharapkan (use case), dan yang
mengelilinginya (actor), serta hubungan antara actor dengan use case (use case diagram)
itu sendiri.
30
Gambar 2.2 Use case diagram dalam UML
2.3.2 Sequence Diagram
Sequence Diagram merupakan sebuah diagram yang menggambarkan interaksi
antar objek di dalam sebuah system (Booch, Rumbaugh, dan Jacobson, 1998, p97.
Interaksi tersebut berupa message yang digambarkan terhadap waktu. Sequence
Diagram terdiri dari dimensi horizontal (objek-objek) dan dimensi vertical (waktu).
Diagram ini juga menggambarkan urutan even yang terjadi. Dan lebih detail dalam
menggambarkan aliran data, termasuk data atau behavior yang dikirimkan atau diterima.
31
Gambar 2.3 Sequence Diagram dalam UML
2.3.3 Activity diagram
Menggambarkan rangkaian aliran dari aktivitas, digunakan untuk
mendeskripsikan aktifitas yang dibentuk dalam suatu operasi sehingga dapat juga
digunakan untuk aktifitas lainnya seperti use case atau interaksi (Booch, Rumbaugh, dan
Jacobson, 1998, p97).
32
Gambar 2.4 Activity Diagram dalam UML
Tujuan Penggunaan UML
1. Memberikan bahasa pemodelan yang bebas dari berbagai bahas pemrograman
dan proses rekayasa.
2. Menyatukan praktek-praktek terbaik yang terdapat dalam pemodelan.
3. Memberikan model yang siap pakai, bahsa pemodelan visual yang ekspresif
untuk mengembangkan dan saling menukar model dengan mudah dan dimengerti
secara umum.
4. UML bisa juga berfungsi sebagai sebuah (blue print) cetak biru karena sangat
lengkap dan detail. Dengan cetak biru ini maka akan bias diketahui informasi
secara detail tentang coding program atau bahkan membaca program dan
menginterpretasikan kembali ke dalam bentuk diagram (reserve enginering).
33
2.4 Berbasis Komputer
Berbasis komputer adalah semua perhitungan, aplikasinya dikerjakan dengan
menggunakan komputer.
Rekayasa piranti lunak pertama kali diperkenalkan oleh Fritz Bauzer sebagai
penetepan dan penggunaan prinsip-prinsip rekayasa dalam usaha mendapatkan piranti
lunak yang ekonomis, yaitu piranti lunak yang terpercaya dan bekerja efisiensi pada
mesin atau komputer (Pressman,2001).
2.4.1 Waterfall Model
WATERFALL MODEL
Gambar 2.5 Waterfall Model
34
1. Rekayasa sistem (System Engineering)
Karena perangkat lunak merupakan bagian dari sebuah sistem yang lebih besar,
maka aktivasi ini dimulai dengan penetapan kebutuhan dari semua elemen
sistem. Gambaran sistem ini penting jika perangkat lunak harus berinteraksi
dengan elemen-elemen lain , seperti hardware, manusia, dan database.
2. Analisis kebutuhan perangkat lunak (Software Requirement Analysis)
Analisis dilakukan untuk mengetahui kebutuhan piranti lunak, fungsi-fungsi
yang dibutuhkan, kemampuan piranti lunak dan antarmuka piranti lunak tersebut.
3. Perancangan (Design)
Peranacangan dititikberatkan pada empat atribut program, yaitu stuktur data,
arsitektur piranti lunak, rincian prosedur, dan karakter antarmuka. Proses
perancangan menerjemahkan kebutuhan kedalam sebuah representasi perangkat
lunak yang dapat dinilai kualitasnya sebelum dilakukan pengkodean.
4. Pengkodean (Coding)
Aktivitas yang dilakukan adalah memindahkan hasil perancangan menjadi suatu
bentuk yang dapat dimengerti oleh mesin, yaitu dengan membuat program.
5. Pengujian (Testing)
Tahap pengujian perlu dilakukan agar output yang dihasilkan oleh program
sesuai dengan yang diharapkan. Pengujian dilakukan secara menyeluruh hingga
semua perintah dan fungsi telah diuji.
6. Pemeliharaan (Maintenance)
Karena kebutuhan pemakai selalu meningkat, makam piranti lunak yang telah
selesai dibuat perlu dipelihara agar dapat mengantisipasi kebutuhan pemakai
35
terhadap fungsi-fungsi baru yang dapat timbul karena munculnya sistem operasi
baru dan perangkat keras baru.
2.4.2 Diagram Alir (Flowchart)
Diagram alir merupakan urutan semua proses yang harus dijalankan untuk
mencapai tujuan yang diinginkan dalam sebuah sistem (Pressman,2002,p476). Diagram
ini dinyatakan dengan simbol. Flowchart berguna sebagai sarana pembantu untuk
menunjukkan bagaimana bekerjanya program yang diusulkan serta sebagai sarana untuk
memahami operasi-operasi dari sebuah program.
Flowchart merupakan gambaran hasil pemikiran dalam menganalisa suatu
masalah dengan komputer. Flowhart yang dihasilkan antara satu pemogram dengan
pemogram lainnya dapat bervariasi.
Flowchart terdiri dari tiga bagian utama, yaitu:
• Input
• Proses
• Output
Gambar 2.6 Beberapa Gambar Pada Diagram Alir
36
2.4.3 Interaksi Manusia dan Komputer
Suatu program yang baik harus bersifat user friendly. Shneiderman (2005)
menjelaskan lima kriteria yang harus dipenuhi oleh program user friendly, yaitu:
1. Waktu belajar yang tidak lama
2. Kecepatan penyajian informasi yang tepat
3. Tingkat kesalahan pemakaian yang rendah
4. Penghafalan sesudah melampui jangka waktu
5. Kepuasan user
Untuk merancang sistem interaksi interaksi manusia dan komputer yang baik,
harus memperhatikan delapan aturan emas dibawah ini :
1. Consistency (konsisten)
2. Enable frequent user to use shortcuts (menyediakan fasilitas shortcut untuk
pengguna mahir)
3. Offer informative feed back (memberikan umpan balik yang informatif)
4. Design dialog to yield closer (pengorganisasian yang baik sehingga pengguna
mengetahui kapan awal dan akhir dari suatu aksi)
5. Offer simple error handling (penanganan kesalahan yang sederhana)
6. Permit easy reversal handling (mengizinkan pmebalikan aksi yang mudah)
7. Support internal locus of control (pemakai menguasai sistem)
8. Reduce short term memory lost (mengurangi beban ingatan jangka pendek)
Keuntungan penggunaan perangkat bantu untuk mengembangkan user interface
menurut Sentosa (1997, p7) yaitu :
1. User interface yang dihasilkan lebih baik.
37
2. Program user interface-nya menjadi mudah ditulis dan lebih ekonomis untuk
dipelihara.
2.4.4 Perancangan Layar
. Rancangan layar dibuat sedemikian rupa sehingga memudahkan pengguna
untuk berinteraksi dengan sistem. Smith dan Mosier (dikutip oleh Shneiderman, 2005)
mengusulkan pedoman perancangan layar yang baik sebagai berikut:
1. Konsistensi tampilan data. Istilah, singkatan, format, dan lain sebagainya
harus standar.
2. Beban ingatan yang seminimal mungkin bagi pengguna. Pengguna sedapat
mungkin tidak diharuskan mengingat informasi dari layar satu ke layar
lainnya.
3. Kompatibilitas tampilan data dengan pemasukan data. Format tampilan
informasi perlu berhubungan dengan tampilan pemasukan data
4. Fleksibilitas kendali pengguna terhadap data. Pengguna program harus dapat
memperoleh informasi yang diinginkan dengan format yang paling
memudahkan.